这次最值得看的，不是 DeepSeek 终于能认字了，而是它开始把图片当成可以推理的对象。
如果只是 OCR，用户其实早就有替代品。手机相册、微信、浏览器插件、各种扫描软件都能做。真正有变化的是，你可以把一张截图、一页报告、一张流程图、一张商品图或者一张代码报错图丢进去，让它帮你说清楚画面里有什么、关系是什么、可能的问题在哪里。
题干里说的是 5 月 9 日前后 DeepSeek 识图模式大范围开放，但入口仍标注图片理解功能内测中。这个细节很重要：它不是一个已经完全稳定的生产功能，更像一次从文字助手向图文助手的入口扩展。
图一｜识图不只是 OCR
我会把它拆成三层看。
底层是读出图片里的文字、表格和局部信息。这个层面最容易感知，也最容易被夸大。能读出文字不等于理解业务，能看见表格不等于会判断数据口径。很多人刚开始试用会拿菜单、票据、截图、课本页来测，这些体验会明显好过纯文字模型，因为少了一步手工转写。
中间层是理解画面结构。比如一张产品页面截图里，按钮、价格、权益、提示语之间是什么关系；一张流程图里，哪个节点是入口，哪个节点是异常分支；一张数据图里，趋势是平稳、突变还是被坐标轴误导。这个层面才是识图模式真正有用的地方，因为它直接减少了用户把视觉信息翻译成文字的成本。
更上层是结合常识做推理。这一层最诱人，也最容易翻车。识别植物、动物、病灶、合同风险、股票形态、工业缺陷时，模型看起来能说很多，但它的信心不等于准确率。高赞实测里提到一些野生生物、复杂世界知识会误判，这很正常。视觉模型遇到长尾对象时，经常会把相似外观和已有知识拼在一起，输出一段很像那么回事的解释。
图二｜一次可靠的读图流程
所以我不建议把 DeepSeek 识图当成鉴定器，更适合把它当成读图助手。
比较稳的用法是让它帮你做初步整理：截图里有哪些关键信息，表格大概在比较什么，网页报错可能对应哪类问题，拍下来的白板能不能整理成待办，论文图能不能翻译成中文解释。它可以先帮你把视觉材料压缩成结构化文字，你再去判断对不对。
不稳的用法是把它当最终裁判。比如让它看医学影像、判断真假票据、鉴定奢侈品、评价交通事故责任、根据走势图下单。这些事情不是不能辅助，而是必须有人类复核和专业边界。模型的语气越流畅，越容易让人忘记它其实是在猜。
对普通用户来说，最直接的变化是日常提问门槛变低了。以前遇到电脑报错，要复制文字、描述环境、补充截图内容；现在可以直接发图，再追问某一块。学生看图表、运营看后台截图、产品经理看竞品页面、程序员看报错、老师整理板书，都会少很多转述成本。
图三｜哪些场景可以放心用
但它对 DeepSeek 的意义更大。
纯文本助手很容易被困在聊天框里，图文助手才更接近真实工作流。真实工作里，信息很少只以文字存在。截图、照片、表格、流程图、页面、PPT、扫描件混在一起，才是大多数人的输入环境。DeepSeek 补上识图以后，不只是多了一个按钮，而是进入了用户更高频的工作场景。
体验上不要急着神化，也不要因为几次误判就否定。内测阶段最合理的期待是：普通图片理解明显可用，长尾识别和专业判断需要谨慎，复杂任务要拆成多轮追问。
真正好用的方式，是把它放在复核流程里，而不是把判断权全部交出去。让它先看、先整理、先指出可能问题，人再确认关键事实。这样用，识图模式的价值会比单纯测它认不认得某个东西大得多。
